| 摘要 | 第3-4页 |
| ABSTRACT | 第4页 |
| 第1章 绪论 | 第7-15页 |
| 1.1 研究背景及意义 | 第7-9页 |
| 1.2 三维模型检索技术概述 | 第9-11页 |
| 1.2.1 基于模型的三维模型检索技术 | 第9-10页 |
| 1.2.2 基于视图的三维模型检索技术 | 第10-11页 |
| 1.3 深度学习的发展历史与研究现状 | 第11-13页 |
| 1.4 本文主要贡献 | 第13页 |
| 1.5 本文组织结构 | 第13-15页 |
| 第2章 深度学习理论研究 | 第15-25页 |
| 2.1 深度学习的概念 | 第15-17页 |
| 2.1.1 从浅层学习到深度学习 | 第15-17页 |
| 2.1.2 深度学习的局限性 | 第17页 |
| 2.2 深度学习的常用模型 | 第17-22页 |
| 2.2.1 卷积神经网络(CNN) | 第18-20页 |
| 2.2.2 循环神经网络(RNN) | 第20-22页 |
| 2.3 本章小结 | 第22-25页 |
| 第3章 基于循环卷积神经网络的三维模型检索方法 | 第25-33页 |
| 3.1 三维模型的预处理 | 第26-28页 |
| 3.2 构建二维视图序列集 | 第28-29页 |
| 3.2.1 二维视图提取 | 第28-29页 |
| 3.2.2 代表性视图选择 | 第29页 |
| 3.3 基于RCN网络的视觉特征提取 | 第29-32页 |
| 3.3.1 CNN底层特征提取 | 第30-31页 |
| 3.3.2 RNN视图序列学习 | 第31-32页 |
| 3.4 相似性度量 | 第32页 |
| 3.5 本章小结 | 第32-33页 |
| 第4章 基于残差网络与长短时记忆模型的三维模型检索 | 第33-43页 |
| 4.1 深度残差网络(ResNet) | 第34-36页 |
| 4.2 长短时记忆模型(LSTM) | 第36-39页 |
| 4.3 基于残差网络与长短时记忆模型的优化算法 | 第39-41页 |
| 4.4 本章小结 | 第41-43页 |
| 第5章 实验结果及分析 | 第43-57页 |
| 5.1 三维模型检索的数据库 | 第43-45页 |
| 5.1.1 NationalTaiwanUniversity数据库 | 第44页 |
| 5.1.2 PrincetonShapeBenchmark数据库 | 第44-45页 |
| 5.2 实验设置 | 第45-48页 |
| 5.2.1 数据模式 | 第45-46页 |
| 5.2.2 评价准则 | 第46-47页 |
| 5.2.3 对比算法 | 第47-48页 |
| 5.3 实验结果与分析 | 第48-55页 |
| 5.3.1 底层视觉特征对比实验 | 第48-51页 |
| 5.3.2 循环神经网络对比实验 | 第51-52页 |
| 5.3.3 与现有主流检索算法的对比实验 | 第52-54页 |
| 5.3.4 速度对比分析 | 第54-55页 |
| 5.4 本章小结 | 第55-57页 |
| 第6章 总结与展望 | 第57-59页 |
| 6.1 工作总结 | 第57-58页 |
| 6.2 未来工作展望 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 发表论文和参加科研情况说明 | 第63-65页 |
| 致谢 | 第65页 |
